Os agentes não estão quebrando no modelo — estão quebrando no harness, na memória, na latência e nos mandatos de adoção que CTOs estão assinando sem medir.
Seis semanas. Esse é o tempo que a própria Anthropic levou para rastrear três mudanças sobrepostas que derrubaram o Claude Code.
E se quem treinou o modelo demorou seis semanas para achar — o seu time não vai achar no agente em produção.
Esta é a ai|expert Wire. O dia em que ficou claro: agente em produção não quebra no modelo — quebra no harness, na memória, na latência e no mandato que alguém assinou sem medir.
Em 23 de abril, a Anthropic publicou um postmortem. Três mudanças de produto separadas, sobrepostas, afetando coortes diferentes em janelas de tempo diferentes — criando a aparência de degradação ampla e inconsistente. [ref: anthropic-traces-six-weeks-of-]
O modelo não regrediu. Os pesos da API ficaram estáveis. O que aconteceu: no dia 4 de março, o esforço de raciocínio padrão do Claude Code caiu de "high" para "medium" para evitar freezes de UI. Ficou assim por 33 dias. No dia 26 de março, um bug de cache fez o agente perder seu próprio histórico de raciocínio em toda turn após uma hora de idle — um usuário com 900 mil tokens em contexto que pausasse uma hora disparava um cache miss completo na próxima mensagem. No dia 16 de abril, um cap de verbosidade limitou respostas a 100 palavras. Teste interno: sem regressão. Teste durante a investigação: queda de 3% em evals de código.
Stella Laurenzo, da AMD, analisou 6.852 arquivos de sessão do Claude Code, 17.871 blocos de raciocínio e 234.760 chamadas de ferramenta. O que ela encontrou: a taxa de leituras por edição caiu de 6,6 para 2,0 — o agente parou de pesquisar antes de editar.
Isso não é falha de modelo. É falha de sistema. E o que o postmortem da Anthropic deixa implícito, um paper publicado na mesma semana torna explícito.
O paper é AI Harness Engineering, de Hailin Zhong e Shengxin Zhu. A tese central: agentes de software falham não porque o modelo não tem capacidade — falham porque a infraestrutura de runtime para verificar e atribuir output simplesmente não existe. [ref: ai-harness-runtime-substrate-f]
Eles nomeiam onze responsabilidades de componente: especificação de tarefa, seleção de contexto, acesso a ferramentas, memória de projeto, estado de tarefa, observabilidade, atribuição de falha, verificação, permissões, auditoria de entropia e registro de intervenção. E propõem uma escada de quatro níveis, H0 a H3.
H0 é onde a maioria dos setups de produção vive hoje. Tarefa entra, patch sai, sem suporte de runtime. H3 é cobertura total: logs de reprodução, verificações determinísticas de requisito, relatórios de verificação estruturados.
O postmortem da Anthropic é um caso H0 virado H1 às pressas. Ninguém instrumentou esforço de raciocínio por sessão antes do rollout. Ninguém mediu leituras por edição como indicador de saúde. A Anthropic encontrou as causas — mas levou seis semanas.
Latência é a próxima camada. Pesquisadores da UC Berkeley publicaram um framework chamado Speculative Interaction Agents. O problema que eles atacam: em workflows agenticos padrão, o agente espera o usuário terminar de falar antes de raciocinar, e pausa o raciocínio enquanto chamadas de ferramenta executam. [ref: real-time-ai-agents-demand-asy]
Para voz, sub-segundo é o requisito. Multi-turn tool calling adiciona vários segundos de latência além do tempo de inferência. O framework usa dois mecanismos: I/O assíncrono — que desacopla o loop de raciocínio dos streams de entrada e de ambiente — e Speculative Tool Calling, que dispara chamadas de baixo risco antes do usuário terminar de especificar os parâmetros.
Resultados: 1,3 a 1,7 vezes mais rápido em cloud APIs como OpenAI Realtime e Gemini Live, sem mudança no modelo. Em modelos edge como Qwen2.5 e Llama-3.2, chegam a 2,2 vezes.
O custo oculto: cada ferramenta precisa ser classificada como especulativamente segura ou pendente de confirmação. Isso não é automatizado. É o imposto de integração que o anúncio não menciona — e que recai sobre o time de engenharia, não sobre o vendor.
A camada de segurança tem seu próprio problema. A Microsoft Research gerou 30 mil estratégias adversariais a partir de 2.500 artigos da Wikipedia — e mostrou que ataques suficientemente implausíveis furam guardrails que bloqueiam toda manipulação convencional. [ref: absurd-whimsical-arguments-rel]
Os exemplos do paper são instrutivos pela absurdidade: um tratado internacional falso — "a Convenção de Genebra do Café exige no máximo dois dólares por grão" — uma emergência climática fabricada, uma restrição técnica espúria. Um vendedor humano rejeitaria os três. O agente aceitou as premissas e ajustou o comportamento.
Por quê? Porque todo o pipeline de safety — dados de pré-treino, reward models de RLHF, red-team humano — é calibrado ao julgamento humano sobre ameaças. Ataques que humanos não tentariam raramente aparecem no sinal de treinamento.
O Claude Sonnet 4.5 provou quase imune a prompt injection direto. Mas em ambientes de roteamento multi-agente, até o GPT-5 falhou. Uma única mensagem maliciosa se propagou por mais de cem agentes, consumiu mais de cem chamadas de LLM e circulou por mais de doze minutos.
Resistência a prompt injection direto não generaliza para grafos de roteamento agentico.
A última peça desta semana: e se o agente pudesse aprender com as próprias falhas — sem retreinamento?
É o que o FORGE faz. Pesquisadores da Carleton University, Defence R&D Canada e Cistel Technology publicaram um protocolo onde agentes evoluem memória por reflexão, sem updates de peso, sem fine-tuning, sem destilação de modelo mais forte. No CybORG CAGE-2, uma tarefa de defesa de rede com 30 passos e observabilidade parcial, o FORGE reduziu eventos de falha grave para aproximadamente 1% e melhorou 1,7 a 7,7 vezes sobre baselines zero-shot. [ref: forge-self-evolving-agent-memo]
O mecanismo crítico, segundo os ablations, é o broadcast populacional. O agente com melhor desempenho distribui seu artefato de memória para todos os outros agentes da população. Remover o broadcast colapsa os resultados ao nível do Reflexion padrão.
Formato Rules — heurísticas textuais — usa 40% menos tokens que exemplos few-shot, com perda modesta de acurácia. Para pipelines de alto throughput, é a troca certa. E o detalhe estratégico: modelos mais fracos se beneficiaram mais do FORGE do que modelos mais fortes. Ele estreita gaps de capacidade. Não amplifica o que já existe.
O quadro completo do primeiro bloco é este: o agente em produção quebra no harness, na latência, nos guardrails calibrados para humanos e na memória que se perde entre sessões. Nenhuma dessas camadas está no roadmap do vendor. Todas são responsabilidade de quem fez o deploy.
Enquanto a engenharia enfrenta essas camadas, o mercado manda outro sinal.
Cisco registrou US$ 15,84 bilhões em receita no terceiro trimestre fiscal de 2026 — o maior trimestre em 41 anos de história da empresa. Ação subiu 15% no after-hours. E anunciou corte de menos de quatro mil postos no mesmo comunicado. [ref: ciscos-ai-surge-lifts-stock-14]
Os pedidos de infraestrutura de IA somam US$ 9 bilhões no ano fiscal — revisados de US$ 5 bilhões, que vieram de uma meta original de US$ 1 bilhão. Microsoft Azure, Google Cloud, Amazon Web Services e Meta são os hyperscalers nomeados. Receita de networking cresceu 25% para US$ 8,82 bilhões.
A margem bruta caiu para 66%, queda de aproximadamente três pontos percentuais. Hardware pesado de IA carrega margens menores que software. A Cisco ganhou o ciclo atual de silicon — mas ganhou com margens mais apertadas. E os 3.800 demitidos financiam a próxima aposta.
A 404 Media publicou relatos de desenvolvedores na Amazon, Google, Microsoft e fintechs operando sob mandato explícito de uso de IA em código — independente de qualidade de output ou impacto de segurança. [ref: forced-ai-coding-mandates-are-]
Um funcionário da Amazon começou a inflar uso reportado de IA para satisfazer métricas de adoção. Um desenvolvedor disse diretamente: "A qualidade real do output não importa tanto quanto nossa disposição de participar." Prompts logados em compliance, output descartado, código escrito à mão.
Google reporta 75% de código gerado por IA. Anthropic, 90%. O CTO da Microsoft espera 95% de todo o código da empresa gerado por IA até 2030.
Esses percentuais medem conformidade com mandato — não produtividade, não qualidade. Uma firma de segurança de API rastreou alta de dez vezes em achados mensais dentro de empresas Fortune 50 entre dezembro de 2024 e junho de 2025: de mil para mais de dez mil vulnerabilidades por mês. A GitClear analisou 211 milhões de linhas de código: código duplicado subiu de 8,3% para 12,3% de todas as mudanças. Atividade de refatoração caiu de 25% para menos de 10%.
Um estudo controlado randomizado com 52 engenheiros: participantes usando IA completaram a tarefa em tempo similar — mas pontuaram 17% abaixo num quiz de compreensão subsequente. Cinquenta por cento contra 67%.
O problema não é adoção. É métrica de adoção. Percentual de código-IA mede a força do mandato — não a saúde da engenharia.
O contraponto existe. E é instrutivo exatamente porque o workflow foi desenhado, não imposto. [ref: building-multi-agent-systems-p]
Paulo Arruda, staff engineer da Shopify, apresentou no QCon AI como substituiu um prompt monolítico por um enxame de agentes Claude Code especializados. O processo de revisão de temas de 22 horas caiu para 7 a 20 minutos. Avaliação de movimentos internos de candidatos: de horas para menos de uma hora. Um enxame de 15 instâncias paralelas do Claude Code para mineração de documentação interna. O projeto Claude Swarm tem mais de 1.400 estrelas no GitHub.
A lição da Shopify é sobre decomposição. Cada critério de revisão virou um agente com responsabilidade única. Prompt único com múltiplas responsabilidades — o LLM se perde.
Os ganhos maiores — 65 a 190 vezes — aparecem quando o gargalo era throughput humano, não latência de LLM. Times que esperam esse múltiplo em todo caso vão se decepcionar na maioria deles. A diferença entre a Shopify e os mandatos forçados não é a ferramenta. É o desenho.
O fio condutor desta semana é um só: agente em produção é um sistema. Harness, memória, latência, guardrails e a métrica que define sucesso para quem assinou o mandato. Cada uma dessas camadas pode ser a causa raiz. Nenhuma aparece no benchmark.
Sexta, na Edition, a gente abre o orçamento de confiança: quanto um agente pode errar antes de sair de produção — e quem assina embaixo. Até lá. Boa semana.